Чтение изображения в рабочую область.

I = imread('cameraman.tif');
imshow(I)
title('Original Image')

Сегментируйте изображение в три области, используя k-средних значений кластеризацию.

[L,Centers] = imsegkmeans(I,3);
B = labeloverlay(I,L);
imshow(B)
title('Labeled Image')

Чтение изображения в рабочую область. Уменьшите размер изображения, чтобы ускорить запуск примера.

RGB = imread('kobi.png');
RGB = imresize(RGB,0.5);
imshow(RGB)

Сегментируйте изображение в две области с помощью кластеризации k-средних значений.

L = imsegkmeans(RGB,2);
B = labeloverlay(RGB,L);
imshow(B)
title('Labeled Image')

Несколько пикселей имеют неправильную маркировку. Остальная часть примера показывает, как улучшить сегментацию k-средних значений путем дополнения информации о каждом пикселе.

Дополните изображение информацией о текстуре в окрестностях каждого пикселя. Чтобы получить информацию о текстуре, фильтруйте полутоновую версию изображения набором фильтров Габора.

Создайте набор из 24 фильтров Габора, охватывающих 6 длин волн и 4 ориентации.

wavelength = 2.^(0:5) * 3;
orientation = 0:45:135;
g = gabor(wavelength,orientation);

Преобразуйте изображение в полутоновое.

I = rgb2gray(im2single(RGB));

Фильтрация полутонового изображения с помощью фильтров Gabor. Отобразите 24 отфильтрованных изображения в монтаже.

gabormag = imgaborfilt(I,g);
montage(gabormag,'Size',[4 6])

Сглаживайте каждое отфильтрованное изображение, чтобы удалить локальные изменения. Отобразите сглаженные изображения в монтаже.

for i = 1:length(g)
    sigma = 0.5*g(i).Wavelength;
    gabormag(:,:,i) = imgaussfilt(gabormag(:,:,i),3*sigma); 
end
montage(gabormag,'Size',[4 6])

Дополните информацию о каждом пикселе пространственной информацией о местоположении. Эта дополнительная информация позволяет алгоритму кластеризации k-средних значений предпочитать группировки, которые близки друг к другу пространственно.

Получите координаты x и y всех пикселей на вход изображении.

nrows = size(RGB,1);
ncols = size(RGB,2);
[X,Y] = meshgrid(1:ncols,1:nrows);

Конкатенируйте информацию о интенсивности, информацию о текстуре окрестностей и пространственную информацию о каждом пикселе.

В этом примере набор функций включает изображение интенсивности I вместо исходного цветного изображения RGB. Информация о цвете опускается из набора функций, потому что желтый цвет меха собаки похож на желтый оттенок плитки. Цветовые каналы не дают достаточно четкой информации о собаке и фоне, чтобы сделать чистую сегментацию.

featureSet = cat(3,I,gabormag,X,Y);

Сегментируйте изображение в две области k-средних значений используя кластеризацию с дополненным набором функции.

L2 = imsegkmeans(featureSet,2,'NormalizeInput',true);
C = labeloverlay(RGB,L2);
imshow(C)
title('Labeled Image with Additional Pixel Information')

Чтение изображения в рабочую область.

I = imread('peppers.png');
imshow(I)
title('Original Image')

Сегментируйте изображение в 50 областей с помощью кластеризации k-средних значений. Верните матрицу меток L и местоположения центроидов кластеров C. Расположения центроида кластера являются значениями RGB каждого из 50 цветов.

[L,C] = imsegkmeans(I,50);

Преобразуйте матрицу меток в изображение RGB. Укажите местоположения центроидов кластеров, C, как палитра для нового изображения.

J = label2rgb(L,im2double(C));

Отобразите квантованное изображение.

imshow(J)
title('Color Quantized Image')

Запишите оригинальные и сжатые изображения в файл. Квантованный файл изображения приблизительно на четверть превышает размер оригинального изображения файла.

imwrite(I,'peppersOriginal.png');
imwrite(J,'peppersQuantized.png');